loopera

仓库定位： 这是 Loopera 的公开产品与技术资料仓库，不是源代码发行包。当前不提供可运行代码、安装包、CLI 或公开 API；README 中的流程和案例用于说明产品能力与证据边界。

产品概览

Loopera 围绕上市公司的财务报表与经营信息，为基本面量化团队持续完成研究方向探索、经济假设形成、候选因子构建、可信验证与知识沉淀。

核心价值

我们面向谁

• 基本面量化团队：扩展研究覆盖，建立统一、可复核的因子研究流程；
• 投研与金融科技机构：把内部报告、研究观点和数据能力连接到标准化验证链路；
• 研究管理者：追踪研究来源、决策依据、失败原因及后续方向，而不只查看最终回测结果。

它的目标不是批量生成公式，也不是用一次漂亮的回测替代研究判断。Loopera 更关心一项研究是否有清晰的基本面逻辑、是否经得住多角度验证，以及它是否为已有研究带来新的信息。

Loopera 将基本面研究从一次性的人工尝试，组织成持续运行、能够积累和进化的研究流程。

为什么从基本面出发

价格反映结果，基本面解释企业如何创造、消耗和重新配置价值。

Loopera 主要围绕企业的盈利质量、现金流、资产负债结构、营运效率、资本投入和经营变化展开研究。相比只观察市场价格，它更关注企业经营中正在发生、但尚未被充分理解或定价的变化。

基本面数据并不简单。不同报表之间需要建立联系，同一个财务数字在不同行业和经营阶段可能有不同含义，公开信息的时间也会影响研究是否真实可用。Loopera 将这些问题纳入统一的研究流程，让 Agent 的工作更接近基本面研究员，而不是通用的数据拟合工具。

Loopera 能做什么

三种输入，一条研究主线

• Topic：围绕“现金流质量”“营运效率”等主题自主展开研究；
• Prompt：聚焦指定的财务关系、经济机制或适用行业；
• PDF：提取研究问题、经济主张与明确候选，并保留材料来源；
• 混合输入：用 Topic 为文本或 PDF 增加明确的研究锚点。

报告中的明确公式可以优先进入验证，其余内容则作为后续探索的背景知识。外部材料始终被视为待验证的研究证据，不能修改 Loopera 的安全约束、数据范围和验证标准。

产品框架

一条产品闭环

flowchart LR
    A["研究输入<br/>Topic · Prompt · PDF"] --> B["基本面理解<br/>字段 · 报表 · 行业语境"]
    B --> C["智能研究<br/>现象 · 机制 · 候选"]
    C --> D["可信验证<br/>时点 · 逻辑 · 稳健性 · 增量"]
    D --> E["研究记忆<br/>成果 · 失败 · 谱系"]
    E -. "反哺下一轮" .-> C

    classDef input fill:#E8F7FF,stroke:#168CFF,color:#07142E,stroke-width:1.5px;
    classDef research fill:#F1ECFF,stroke:#7C3AED,color:#07142E,stroke-width:1.5px;
    classDef evidence fill:#E8FFF7,stroke:#0F9F8F,color:#07142E,stroke-width:1.5px;
    classDef memory fill:#FFF2FB,stroke:#C13C8A,color:#07142E,stroke-width:1.5px;
    class A,B input;
    class C research;
    class D evidence;
    class E memory;

产品闭环的终点不是一条因子，而是可复核的研究资产。 每次运行都保留问题、假设、证据、结论与后续方向。

公开版本仅介绍产品能力和研究原则。具体的假设组织方式、验证策略、评价规则、模型协作机制和因子实现属于 Loopera 的核心技术，不在本文档中披露。

技术框架：假设驱动、证据约束、研究记忆增强

三种能力如何协同

flowchart LR
    A["AI Agent<br/>提出 · 解释 · 修订"] --> B["Research Contract<br/>假设 · 字段 · 方向 · 约束"]
    B --> C["Deterministic Harness<br/>计算 · 检查 · 评价"]
    C --> D["Research Memory<br/>结果 · 失败 · 谱系"]
    D -. "提供研究上下文" .-> A
    H["Human Researcher<br/>审阅 · 干预 · 决策"] <--> B

    classDef agent fill:#F1ECFF,stroke:#7C3AED,color:#07142E,stroke-width:1.5px;
    classDef contract fill:#E8F7FF,stroke:#168CFF,color:#07142E,stroke-width:1.5px;
    classDef evidence fill:#E8FFF7,stroke:#0F9F8F,color:#07142E,stroke-width:1.5px;
    classDef memory fill:#FFF2FB,stroke:#C13C8A,color:#07142E,stroke-width:1.5px;
    classDef human fill:#FFF8E6,stroke:#D98E04,color:#07142E,stroke-width:1.5px;
    class A agent;
    class B contract;
    class C evidence;
    class D memory;
    class H human;

• AI Agent 扩展研究空间，负责提出、解释与修订想法；
• Research Contract 把自然语言主张固定成可计算、可审查的结构化对象；
• Deterministic Harness 负责计算和客观检查，不让叙事替代证据；
• Research Memory 为下一轮提供成果、失败和研究谱系；
• Human Researcher 在关键节点保留审阅、干预与最终决策权。

系统模块

三层系统架构

flowchart TB
    subgraph L1["01 · 研究交互与编排层"]
      direction LR
      A["研究输入与材料理解"] --> B["Agent 编排"] --> C["轨迹与报告"]
    end

    subgraph L2["02 · 假设与因子研究层"]
      direction LR
      D["假设研究"] --> E["因子构建"] --> F["可信验证"]
    end

    subgraph L3["03 · 数据、评价与记忆层"]
      direction LR
      G["数据与字段系统"] --> H["回测与增量评估"] --> I["研究记忆与规划"]
    end

    A --> D
    B --> D
    E --> H
    F --> H
    H --> C
    G --> D
    G --> E
    I -. "反馈研究上下文" .-> D

    classDef experience fill:#E8F7FF,stroke:#168CFF,color:#07142E,stroke-width:1.5px;
    classDef engine fill:#F1ECFF,stroke:#7C3AED,color:#07142E,stroke-width:1.5px;
    classDef foundation fill:#E8FFF7,stroke:#0F9F8F,color:#07142E,stroke-width:1.5px;
    class A,B,C experience;
    class D,E,F engine;
    class G,H,I foundation;